【华泰金工林晓明团队】8月看好小市值及价量类因子复苏——华泰金工因子观点月报20200802|市值_新浪财经

　　牛市第二阶段上攻蓄力中？军工、医药等牛股倍出，牛市情绪仍在，你还不上车？点击立即开户，3分钟极速响应，专属福利！助你“稳抓赚钱时机”！

来源：华泰金融工程

林晓明 S0570516010001 研究员

陈烨 S0570518080004 研究员

何康 S0570118080081 联系人

王晨宇 S0570119110038 联系人

报告发布时间：2020年8月2日

摘要

8月因子观点：看好小市值及价量类因子复苏，成长、盈利性价比不高

综合内生变量、外生变量、因子周期三重逻辑，8月看好小市值及价量类因子复苏，成长、盈利因子动量仍较强但性价比已经不高且谨防拥挤风险。7月估值、成长、波动率、换手率因子表现良好；前期强势的盈利因子表现一般，前期同样强势的财务质量因子出现回撤；小市值、beta因子出现回撤。内生变量视角短期看好盈利、小市值、反转、波动率、成长因子，不看好估值、技术因子。外生变量视角短期看好小市值、反转、波动率、换手率因子，不看好财务质量因子。因子周期视角中长期看好大市值、估值、盈利、财务质量、波动率、换手率因子。

内生变量视角：短期看好盈利、小市值、反转、波动率、成长

内生变量视角基于因子动量、因子离散度、因子拥挤度三类指标，预测风格因子未来表现，因子动量反映因子过去一段时间内表现；因子离散度相当于因子估值；因子拥挤度反映因子是否处于拥挤状态。内生变量对大类风格因子8月表现预测结果如下：看好盈利、小市值、反转、波动率、成长因子，不看好估值、技术因子。其中，成长、盈利因子在动量指标上占优；小市值因子在离散度指标上占优，处于过度忽视状态；小市值、反转、波动率、换手率因子在拥挤度指标上占优，而成长、盈利、财务质量因子当前已较为拥挤。

外生变量视角：短期看好小市值、反转、波动率、换手率，不看好质量

外生变量视角假设风格因子表现受市场变量、宏观变量等外生变量驱动，对每个大类风格因子筛选出具备预测能力的外生变量，使用线性回归预测未来一个月的Rank IC值。外生变量对大类风格因子8月Rank IC预测结果如下：小市值、反转、波动率、换手率因子Rank IC预测值超过5%，可能较为有效，建议短期看好上述因子表现；不看好财务质量因子未来一个月表现。

因子周期视角：中长期看好大市值、估值、盈利、质量、波动率、换手率

因子周期视角将华泰金工经济周期研究成果应用于风格配置，自上而下构建经济系统周期运行状态与因子表现对应关系的“因子投资时钟”，根据当前周期状态预测因子未来表现的整体趋势。预计未来一年处于库兹涅茨周期向上，经济长期趋势向上的环境，同时朱格拉周期向下，流动性趋于宽松。建议配置大市值、估值、盈利、财务质量因子。另外，波动率、换手率因子在不同的宏观环境下表现都较好，这两个因子建议长期配置。

风险提示：风格因子的效果与宏观环境和大盘走势密切相关，历史结果不能预测未来。金融周期规律被打破。市场出现超预期波动，导致拥挤交易。

正文

8月因子观点：看好小市值及价量类因子复苏

综合内生变量、外生变量、因子周期三重逻辑，8月看好小市值及价量类因子复苏，成长、盈利因子动量仍较强但性价比已经不高且谨防拥挤风险。内生变量视角短期看好盈利、小市值、反转、波动率、成长因子，不看好估值、技术因子。外生变量视角短期看好小市值、反转、波动率、换手率因子，不看好财务质量因子。因子周期视角中长期看好大市值、估值、盈利、财务质量、波动率、换手率因子。

因子表现回顾

7月大类风格因子表现

大类风格因子7月在全A股票池的Rank IC值和因子收益率如下图所示。估值、成长、波动率、换手率因子表现良好；前期强势的盈利因子表现一般，前期同样强势的财务质量因子出现回撤；小市值、beta因子出现回撤；反转、技术因子Rank IC较好，但因子收益率表现一般。

近1年大类风格因子表现

对大类风格因子近12个月的Rank IC值做累加，得到各月累积Rank IC值，如下图所示。总的来看，成长、盈利、财务质量因子表现良好，波动率、换手率因子同样表现良好但波动相对较大，小市值因子连续出现回撤，估值、反转、beta、技术因子表现相对一般。

近期细分因子表现

计算34个细分因子7月Rank IC值，以及近12个月的月频Rank IC值。将近12个月Rank IC的均值除以标准差，得到近1年IC_IR。近期细分因子表现如下图所示。

因子表现计算方法

因子T月表现的计算方法可以简要描述为：

1.以T-1月最后一个交易日为截面期，以全A股为股票池，计算附录一中10大类共34个细分因子值。对每一大类风格因子内部各细分因子做去极值、标准化预处理及因子方向调整，再等权合成，得到截面期大类风格因子值。

2.计算T月股票池内个股区间收益。

3.对大类风格因子或细分因子做去极值、标准化和行业市值中性化预处理，计算T-1月预处理后因子与T月个股区间收益的Spearman秩相关系数，即T月因子Rank IC值。

4.对大类风格因子值、个股总市值做去极值和标准化预处理，以T-1月预处理后大类风格因子值、预处理后个股总市值、中信一级行业哑变量为自变量，以T月个股区间收益为因变量，以流通市值平方根为权重，做加权线性回归，大类风格因子值对应的回归系数即为T月大类风格因子收益率。

详细计算方法请参见附录二。

内生变量视角

内生变量视角基于因子动量、因子离散度、因子拥挤度三类指标，预测风格因子未来表现。因子动量反映因子过去一段时间内表现；因子离散度相当于因子估值，高因子离散度反映因子被过度忽视，低因子离散度反映因子被过度投资；因子拥挤度反映因子是否处于拥挤状态。一般看好高因子动量、高因子离散度、低因子拥挤度因子短期表现，三项指标在截面和时序上均有预测效果。

内生变量综合预测结果

基于因子动量、因子离散度、因子拥挤度三类指标，分别从截面和时序角度，对大类风格因子8月表现进行打分预测，综合预测结果如下表所示。看好盈利、小市值、反转、波动率、成长因子，不看好估值、技术因子。其中，成长、盈利因子在动量指标上占优；小市值因子在离散度指标上占优，处于过度忽视状态；小市值、反转、波动率、换手率因子在拥挤度指标上占优，而成长、盈利、财务质量因子当前已较为拥挤。

综合预测得分是以下6项细分指标的均值：

1.归一化截面因子动量；

2.因子动量历史分位数；

3.归一化截面因子离散度；

4.因子离散度历史分位数；

5.1－归一化截面因子拥挤度；

6.1－因子拥挤度历史分位数。

其中，归一化采用min-max归一化，根据截面上各类因子相应指标最小值和最大值，将其缩放至[0, 1]范围内；历史分位数取每个因子最新月末截面期相应指标，在其历史上（自2007年1月末截面期开始）所处分位数，本身在[0, 1]范围内；因子拥挤度为反向指标，故用1减去相应指标。

因子动量

定义因子动量为因子在过去12个月末截面期的21日Rank IC均值。从截面角度看，成长、盈利、财务质量因子动量较强，估值、小市值因子动量较弱。从时序角度看，成长、盈利、财务质量因子动量处于历史高位，超过90%分位数水平；小市值、反转、波动率、换手率因子动量处于历史低位，低于10%分位数水平。

因子离散度

因子离散度计算方式为：

1.在月末截面期，取每个中信一级行业因子值排名前20%个股的因子值中位数，以及因子值排名后20%个股的因子值中位数，两者求差值；

2.30个行业的差值求平均值，得到当前截面期该因子离散度原始值；

3.对当前截面期因子离散度原始值做标准化，计算其在过去72个月末截面期的Z分数。

从截面角度看，成长、盈利、小市值、反转、波动率因子离散度相对较高，估值、Beta因子离散度相对较低。从时序角度看，小市值因子离散度处于历史高位，超过95%分位数水平，可能处于过度忽视状态；估值、财务质量、Beta因子离散度处于历史低位，低于10%分位数水平，可能处于过度投资状态。

因子拥挤度

因子拥挤度计算方式为：

1.在每个月末截面期，分别计算个股a）过去63个交易日的日度涨跌幅标准差作为波动率指标，b）过去63个交易日的日均换手率作为换手率指标，c）过去63个交易日个股收益与万得全A收益线性回归的回归系数作为Beta指标；

2.取各个中信一级行业因子值排名前20%个股的波动率/换手率/Beta均值，以及因子值排名后20%个股的波动率/换手率/Beta均值，两者求比值；

3.对波动率、换手率、Beta的三个比值求均值，得到当前截面期该因子拥挤度。

从截面角度看，成长、盈利、财务质量、技术因子拥挤度相对较高，波动率、换手率因子拥挤度相对较低。从时序角度看，成长、盈利因子拥挤度超过95%历史分位数水平，财务质量、技术因子拥挤度超过80%历史分位数水平，可能处于交易拥挤状态；小市值、Beta因子拥挤度低于1%历史分位数水平，反转、波动率、换手率因子拥挤度低于20%历史分位数水平，交易相对不拥挤。

外生变量视角

外生变量视角假设风格因子表现受市场变量、宏观变量等外生变量驱动，对每个大类风格因子筛选出具备预测能力的外生变量，使用线性回归预测未来一个月的Rank IC值。以下分别展示最新一期预测结果及预测方法。

外生变量预测结果

外生变量对大类风格因子8月Rank IC预测结果如下图所示。小市值、反转、波动率、换手率因子Rank IC预测值超过5%，可能较为有效，建议短期看多上述因子表现；不看好财务质量因子未来一个月表现。

因子预测结果解读

下面展示各个大类风格因子Rank IC预测值，以及进入回归模型的外生变量对预测结果的贡献情况，贡献度定义为自变量与回归系数的乘积。

下面尝试对预测Rank IC绝对值超过5%的风格因子进行解读。在构建回归模型前，我们对部分外生变量进行了差分处理或计算变化率，在解读预测结果时，我们应关注这些外生变量取值的边际变化，而非变量值本身。

1. 小市值因子：中证500指数月涨跌幅7月新值为12.1%，该指标对Rank IC有正向影响，为预测值提供5.2%的正向贡献。

2. 反转因子：回归模型截距项为8.3%，对Rank IC预测值有较大正向贡献，说明长期看反转因子存在正收益。SHIBOR1W新值较前值提高0.4%，该指标对Rank IC有正向影响，为预测值提供0.8%的正向贡献。

3. 波动率因子：回归模型截距项为6.9%，对Rank IC预测值有较大正向贡献，说明长期看波动率因子存在正收益。沪深300指数月涨跌幅7月新值为12.6%，该指标对Rank IC有正向影响，为预测值提供4.0%的正向贡献。

4. 换手率因子：回归模型截距项为7.4%，对Rank IC预测值有较大正向贡献，说明长期看换手率因子存在正收益。沪深300指数月波动率7月新值较前值提高1.5%，该指标对Rank IC有正向影响，为预测值提供3.6%的正向贡献。

外生变量选取

选取6项市场指标和13项宏观指标作为外生变量。选择沪深300和中证500月涨跌幅、月波动率及月均换手率，用于表征市场行情的变化。从国民经济核算、工业、价格指数、银行与货币、利率与汇率5个方面，选择较常用的13项宏观指标。

时间序列回归模型的一个重要前提是自变量为平稳时间序列，而大部分宏观指标和市场指标在时间序列上的分布非平稳，不符合预测模型对自变量的假设，因此我们针对不同的外生变量，进行一定差分处理或计算变化率，使得外生变量在单位根检验下均为平稳时间序列。另外，部分宏观变量数据发布具有滞后性，我们在建模时将这部分宏观数据按其实际发布时间滞后使用。例如，T-1月的M1同比数据通常在T月中旬公布，因此我们在T月末建模时用到的是T-1月的M1同比数据。

下表展示具体19项外生变量及其所属类别和变量处理方法。为了更清楚地展示部分宏观变量的滞后期，我们以T月末为截面期，最右列为外生变量能取到的最新数据时间。

外生变量预测方法

参考Hua，Kantsyrev和Qian于2012年发表论文Factor-Timing Model，使用外生变量预测大类风格因子Rank IC值。首先使用条件期望模型和AIC准则，在T-1月最后一个交易日，对每个大类风格因子筛选出可能影响因子Rank IC值的条件变量；其次将大类风格因子与筛选出的条件变量做线性回归，预测T月的因子Rank IC值。

条件期望模型

假设单个风格因子Rank IC时序向量Y与外生变量时序向量X的联合分布服从多元正态分布，即：

其中E(Y|X=x)称为Y关于X的回归，它是x的线性函数。

AIC和AICc准则

使用AIC赤池信息量准则衡量统计模型拟合优良性。相比其它模型评价指标，AIC的优势在于兼顾模型简洁性和准确性。在进行多个模型比较和选择时，通常选择AIC最小的模型。

外生变量筛选流程

样本区间内筛选外生变量流程如下图所示，具体步骤为：

1.最优外生变量集合S0初始为空集，AICc初始值AICc0＝T·log(|ΣXX|)；

2.遍历不在Si中的每个外生变量k，计算将k加入到集合Si后模型AICc值，取最小值AICcmin；

3.若AICcmin小于AICci，则转向第4步；否则筛选结束，集合Si为最优外生变量集合；

4.将AICcmin对应的外生变量k加入Si，即Si+1＝Si∪{k}，AICci+1为基于外生变量集合Si+1计算得到的AICc，并转至第2步。

回归预测模型构建

对于每个大类风格因子，取样本区间为过去72个月，分三步预测未来一个月Rank IC值：

1.使用AICc在样本区间内筛选出对因子Rank IC值具有解释能力的外生变量；

2.将筛选出来的全部外生变量纳入回归模型，在样本区间内构造因子Rank IC值序列关于外生变量的多元线性回归模型；

3.将最新一期的外生变量代入回归模型，得到未来一个月的因子Rank IC预测值。

因子周期视角

因子周期视角将华泰金工经济周期研究成果应用于风格因子表现预测。预测分为两部分：自上而下构建经济系统周期运行状态与因子表现对应关系的“因子投资时钟”，根据当前周期状态预测因子未来表现的整体趋势；自下而上对风格因子去趋势累积收益率进行三周期回归拟合，外推因子未来表现的边际变化。与前述内生变量、外生变量视角不同，因子周期视角侧重于对因子中长期表现的预测。

自上而下预测整体趋势：因子投资时钟

对因子周期的研究发现，大部分因子的中长期走势与经济形势挂钩，影响较为明显的两个因素是经济增长和流动性，前者可使用库兹涅茨周期刻画，后者可使用朱格拉周期辅助判断。我们借助这两个变量将经济环境分为四种情况，不同经济周期下因子表现分类如下图所示，称之为因子投资时钟。因子投资时钟的详细构建方法请参考华泰金工研究报告《周期视角下的因子投资时钟》（20181011）。

在不同资产类别中，商品是靠近实体经济的一种资产，商品价格长周期上的波动在一定程度上反映了实体经济的总需求，因此可借助商品识别经济的中长期波动。CRB综合现货指数三周期分解结果如下图所示，预计未来一年处于库兹涅茨周期向上，经济长期趋势向上的环境，同时朱格拉周期向下，流动性趋于宽松。当前周期运行状态处于因子投资时钟的第四象限，建议配置大市值、估值、盈利、财务质量因子。另外，波动率、换手率因子在不同的宏观环境下表现都较好，这两个因子建议长期配置。综合来看，预测未来一年大市值、估值、盈利、财务质量、波动率、换手率因子有效。

自下而上预测边际变化：因子周期回归拟合

下面展示各个大类风格因子三周期回归拟合结果。三周期回归拟合详细方法请参考华泰金工研究报告《因子收益率的周期性研究初探》（20180605）。图中红线为去趋势后因子累积收益率，灰线为回归拟合曲线，灰线相对红线的延伸部分为因子未来一年表现边际变化情况预测。综合来看，成长、小市值、Beta因子处于周期上行状态，估值、反转、波动率、换手率、技术因子处于周期下行状态，盈利、财务质量因子即将见顶回落。

附录

附录一：所有细分因子计算方法

上表第四列因子方向解释：取值为1代表因子值越大越好，-1代表因子值越小越好。当采用等权法合成风格因子时，需将因子值乘以因子方向之后再相加。

附录二：风格因子合成、Rank IC值计算、因子收益率计算方法

我们以某一截面期T估值类风格因子的合成为例，具体说明风格因子合成过程：

1. 因子原始值计算：设第T期指定股票池（全A股）内共存在N只股票，首先根据附录一表格计算细分因子EP、BP、SP、股息率在第T期的值，均为N×1维向量；

2. 因子的行业与市值中性化处理：用OLS线性回归拟合

取上述回归方程的残差向量替代原始计算的因子值X^T作为第T期因子X的新值，仍记为X^T，这里的X指代EP、BP、SP、股息率等细分因子（特别地，若因子X为‘对数总市值’因子，则它只对行业哑变量回归，亦即对该因子只进行行业中性化处理）；

3. 因子去极值、标准化：

a）中位数去极值：对于经过中性化处理之后的因子值X^T（N×1维向量），先计算其中位数D_M，再计算|X^T-D_M |的中位数D_M1，接下来将向量X^T中所有大于D_M+5D_M1的元素重设为D_M+5D_M1，将向量X^T中所有小于D_M-5D_M1的元素重设为D_M-5D_M1；

b）标准化：将去极值处理后的因子值X^T（N×1维向量）减去其现在的均值、再除以其现在的标准差，就得到了标准化后的新因子值，仍记为X^T；

4. 风格因子合成与Rank IC计算：将属于估值类的四个细分因子值（经过以上所有处理之后）乘以各自的因子方向（1或-1）之后直接等权相加，就得到了估值风格因子的值，与个股下期收益率向量r^(T+1)计算Spearman秩相关系数，即得到估值风格因子的Rank IC值；

5. 细分因子的Rank IC值即用第2步处理结束后得到的因子值X^T乘以因子方向（1或-1）再与个股下期收益率向量r^(T+1)计算Spearman秩相关系数。

6. 将T期因子值与T+1期个股收益率进行线性回归，得到的回归系数即为因子收益率。回归模型为：

风险提示

风格因子的效果与宏观环境和大盘走势密切相关，历史结果不能预测未来。金融周期规律被打破。市场出现超预期波动，导致拥挤交易。

免责声明与评级说明

公众平台免责申明

本公众号不是华泰证券股份有限公司（以下简称“华泰证券”）研究报告的发布平台，本公众号仅供华泰证券中国内地研究咨询服务客户参考使用。其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，且若使用本公众号所载内容，务必寻求专业投资顾问的指导及解读。华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。

本公众号转发、摘编华泰证券向其客户已发布研究报告的部分内容及观点，完整的投资意见分析应以报告发布当日的完整研究报告内容为准。订阅者仅使用本公众号内容，可能会因缺乏对完整报告的了解或缺乏相关的解读而产生理解上的歧义。如需了解完整内容，请具体参见华泰证券所发布的完整报告。

本公众号内容基于华泰证券认为可靠的信息编制，但华泰证券对该等信息的准确性、完整性及时效性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。

在任何情况下，本公众号中的信息或所表述的意见均不构成对任何人的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。订阅者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。

本公众号版权仅为华泰证券所有，未经华泰证券书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。华泰证券具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。

华泰金工深度报告一览

金融周期系列研究（资产配置）

【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121

【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116

【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法

【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022

【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826

【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率

【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506

【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下）

【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上）

【华泰金工林晓明团队】周期轮动下的BL资产配置策略